Thought leaders
AI-moeheid is echt. Maar het is niet wat je denkt

Belangrijkste puntenAI-moeheid is een tijdelijke trainingspijn door het aanleren van een nieuwe cognitieve…
Meer weergeven
- AI-moeheid is een tijdelijke trainingspijn door het aanleren van een nieuwe cognitieve vaardigheid, geen permanente aandoening.
- De uitputting piekt tijdens de middelste fasen van AI-implementatie, voordat efficiënte mentale paden zijn gevormd.
- Leiders moeten deze cognitieve belasting managen zoals een coach, niet terugdeinzen voor AI-adoptie.
Er ontstaat momenteel een verhaal dat veel aandacht krijgt: AI put ons uit. Ingenieurs leveren meer code op dan ooit en voelen zich slechter dan ooit. De term ‘AI-vermoeidheid’ doet de ronde en de beschouwingen stapelen zich op.
Een software-ingenieur schrijft in Business Insider dat het afgelopen kwartaal zijn productiefste én uitputtendste was. Steve Yegge, die letterlijk het boek over vibe coding schreef, vertelt aan The Pragmatic Engineer dat hij overdag dutjes doet en het echte AI-ondersteunde werk tot drie uur beperkt. Startupoprichters lopen om twee uur ’s middags tegen hun grens aan. Een van de meest gedeelde berichten deze maand waarschuwt dat AI een ‘vampierachtig effect’ heeft op de mensen die het meest gebruikmaken van de technologie.
Dit lijkt niemand op te merken: de mensen die de meeste vermoeidheid melden, zijn niet de sceptici. Het zijn de overtuigde aanhangers.
De ingenieurs die op niveau één van Yegges adoptieschaal blijven steken en AI volledig negeren, voelen zich prima. Misschien wat ongerust, maar niet leeggezogen. Degenen op niveau vijf, zes en zeven komen volledig afgepeigerd thuis. Zij zijn er helemaal voor gegaan, gebruiken meerdere agents, coördineren complexe werkstromen en leveren op snelheden die ze nooit hadden kunnen bedenken.
Dat patroon zou ons iets moeten vertellen. Volgens mij vertelt het ons dat ‘AI-vermoeidheid’ een volkomen verkeerde diagnose is.
Je hebt geen vermoeidheidsprobleem, maar een trainingsprobleem
Denk aan de eerste keer dat je een deadlift deed. Geen bijzonder zwaar gewicht, alleen de beweging zelf. De volgende ochtend voelde je hele lichaam alsof het uit elkaar was gehaald en verkeerd was teruggezet. Je benen deden pijn. Je rug deed pijn. Spieren waarvan je het bestaan niet kende, lieten zich op de onaangenaamste manier voelen.
Als iemand die dag je prestaties had gemeten, zou het resultaat beroerd hebben geleken. Je kon nauwelijks gaan zitten zonder een grimas. Je had redelijkerwijs kunnen concluderen dat deadliften niet vol te houden is, dat het menselijk lichaam er niet voor gebouwd is en dat de kosten groter zijn dan de baten.
Maar zes maanden later til je natuurlijk twee keer zoveel gewicht en voel je je daarna prima. Je lichaam heeft nieuwe banen aangelegd en zich aangepast. Een beweging die al je bewuste inspanning vergde, werd automatisch. De spierpijn betekende niet dat je kapot was. Het betekende dat je iets nieuws opbouwde.
Dat is precies wat er gebeurt bij AI-ondersteund werk.
De cognitieve belasting waar niemand over praat
Wanneer je op de traditionele manier code schrijft, voert je brein een ingesleten programma uit. Je hebt het duizenden keren gedaan. Je kent de toetsaanslagen, patronen en het ritme van foutopsporing. Het lijkt op je dagelijkse autorit naar het werk: technisch ingewikkeld, maar zo geoefend dat je ondertussen aan het avondeten kunt denken.
AI-ondersteund werk is een fundamenteel andere cognitieve taak. Je schrijft geen code meer. Je stuurt aan, evalueert, beslist, wisselt van context tussen meerdere agents en beoordeelt resultaten die je niet zelf hebt geschreven. Je houdt de bedoeling van de systeemarchitectuur in je hoofd terwijl AI implementatiekeuzes maakt die je direct moet controleren.
Het is niet hetzelfde werk dat sneller gebeurt, maar volledig ander werk. Je brein heeft daarvoor nog geen efficiënte banen aangelegd.
Elke beslissing is nog bewust. Elke beoordeling vraagt actieve inspanning. Je bewaakt de kwaliteit, houdt de context vast over parallelle werkstromen en vormt voortdurend oordelen over AI-resultaten. Daarom kunnen drie uur van dit werk je meer uitputten dan acht uur traditioneel programmeren. Cognitief is het vergelijkbaar met je eerste week in de sportschool.
De adoptiecurve is eigenlijk een uitputtingscurve
Yegges raamwerk met acht niveaus voor AI-adoptie valt bijna perfect samen met een uitputtingscurve, al denk ik niet dat hij dat zo bedoelde.
Op niveau één en twee gebruik je AI nauwelijks. Hier wat automatische aanvulling, daar een vraag. Weinig cognitieve belasting. Weinig vermoeidheid.
Op niveau drie tot en met zes zit je in het diepe. Je hebt de agent meer autonomie gegeven, beoordeelt minder regel voor regel en meer als geheel, gebruikt meerdere agents en zoekt voortdurend je weg in een werkstroom die achttien maanden geleden nog niet bestond. Hier zit de uitputting. Dit is de zware deadlift.
Op niveau zeven en acht begint iets interessants. Je hebt systemen gebouwd om het werk te coördineren. AI werkt zelfstandiger. Je hebt geleerd wat je kunt vertrouwen en wat je moet controleren. Je beschrijft de gewenste resultaten en loopt weg. Matt Shumer beschrijft precies dit: AI vertellen wat het moet bouwen, vier uur weggaan en terugkeren naar afgerond werk. De aanpassing begint effect te krijgen.
De uitputting is niet gelijkmatig verdeeld. Ze piekt in het midden, precies waar de meeste vroege gebruikers nu zitten. Daarom voelt de vermoeidheid universeel: onder degenen die het meest over AI praten, zit een onevenredig groot deel in het moeilijkste stuk van de leercurve.
Niemand schreef artikelen over ‘rijvermoeidheid’
Weet je nog hoe je leerde rijden? Toen je voor het eerst invoegde op een snelweg, greep je het stuur waarschijnlijk vast alsof je leven ervan afhing, wat eerlijk gezegd ook zo was. Na een halfuur rijden kwam je compleet uitgeput thuis. Je brein werkte op volle capaciteit: spiegels controleren, snelheid regelen, anticiperen op andere bestuurders en verkeersborden verwerken, allemaal tegelijk en bewust.
Nu rijd je een uur terwijl je half naar een podcast luistert en een broodje eet. De taak is niet veranderd. Jij bent veranderd. Je brein heeft efficiënte zenuwbanen voor autorijden aangelegd en wat vroeger volledige bewuste aandacht vroeg tot achtergrondprocessen teruggebracht.
Niemand schreef beschouwende artikelen over ‘rijvermoeidheid’ als existentiële crisis. Niemand suggereerde dat auto’s een ‘vampierachtig effect’ op hun bestuurders hadden. We begrepen intuïtief dat de uitputting tijdelijk was. Het was de prijs van iets nieuws leren.
Dat ontbreekt in de huidige discussie. ‘AI-vermoeidheid’ wordt behandeld als een permanente toestand, een fundamentele eigenschap van de technologie, terwijl het eigenlijk een overgangskost is. Het is spierpijn na training, geen chronische ziekte.
Waarom dit belangrijker is dan comfort
Dit onderscheid gaat niet alleen over woorden. Hoe je het probleem diagnosticeert, bepaalt wat je eraan doet.
Als AI-vermoeidheid een permanente eigenschap van de technologie is, blijft Yegges grens van drie uur voor altijd het plafond. Bedrijven moeten dan rekening houden met ingenieurs die maar een fractie van de dag productief kunnen zijn. Het ‘vampierachtige effect’ is de toegangsprijs waarmee we moeten leven.
Maar als het spierpijn na training is, vraagt dat een heel andere aanpak. Je beheert de belasting en bouwt geleidelijk op. Je slaat de sportschool niet over omdat je spierpijn hebt. En vooral: je neemt niet aan dat de uitputting van vandaag ook die van morgen is.
Ingenieurs die deze fase doorkomen, bouwen de cognitieve banen om AI-werk aan te sturen, op het juiste detailniveau te beoordelen en de bedoeling van de architectuur over parallelle werkstromen te behouden. Uiteindelijk doen ze dit zo natuurlijk als autorijden. De muur van drie uur verschuift naar vijf en vervolgens zeven. Niet doordat ze harder werken, maar doordat het werk niet langer op dezelfde manier inspannend is.
Ondertussen zullen ingenieurs die over ‘AI-vermoeidheid’ lezen en besluiten op niveau twee te blijven, comfortabel, vertrouwd en niet uitgeput, veel slechter af zijn.
Niet doordat ze een trend hebben gemist, maar doordat ze nooit aan de training begonnen die alle anderen al hebben doorlopen.
Het echte risico: spierpijn verwarren met een blessure
Ik wil één ding duidelijk maken. Er is een verschil tussen spierpijn na training en een echte blessure. Dat geldt ook hier.
Als je veertien uur per dag vibe-codet, vier uur slaapt en op adrenaline draait omdat het nieuwe zo bedwelmend is, is dat geen training. Dat is overtraining. Net als in de sportschool bouwt overtraining niets op. Het breekt je af.
Yegges observatie van drie uur is waardevol als signaal over de huidige herstelbehoefte, niet als permanent plafond. In het begin van de training heb je meer rust tussen sessies nodig. Naarmate je je aanpast, kun je meer volume aan. Degenen die opbranden zijn niet de mensen die drie uur geconcentreerd AI-ondersteund werk doen. Het zijn degenen die niet kunnen stoppen omdat de feedbacklus te aantrekkelijk is, precies de gokautomaatdynamiek waarover ik eerder schreef.
Het antwoord is niet de sportschool vermijden, maar verstandig trainen: intensieve sessies, echt herstel en geleidelijke vooruitgang.
Een voorspelling die niemand anders doet
Dit verwacht ik in de komende twaalf tot achttien maanden.
Het verhaal over ‘AI-vermoeidheid’ bereikt ergens dit jaar zijn hoogtepunt. Er komen meer artikelen, meer bezorgde geluiden en waarschijnlijk enkele bekende ingenieurs die publiekelijk ‘een pauze nemen van AI-tools’. Het zal aanvoelen als een betekenisvolle tegenreactie.
Daarna dooft het stilletjes uit. Niet doordat mensen AI niet meer gebruiken, maar doordat de vroege gebruikers zich hebben aangepast. De muur van drie uur voelt als een verre herinnering voor wie dit al anderhalf jaar doet. Ze sturen AI-werkstromen aan zoals ze vroeger for-lussen schreven: zonder erbij na te denken.
Het verschil tussen degenen die de spierpijn doorstonden en degenen die dat niet deden, zal enorm zijn. Niet doordat AI-vaardigheden zeldzaam zijn, maar doordat de aanpassing zelf, het denken in aansturing, evaluatie en coördinatie in plaats van implementatie regel voor regel, voor de ene groep vanzelfsprekend is geworden en voor de andere volkomen vreemd blijft.
De slechtste reactie op spierpijn na training is altijd dezelfde geweest: stoppen met naar de sportschool gaan.
Wat dit betekent voor leiders
Als je nu een team ingenieurs leidt, begrijp dan wat je werkelijk ziet. Je productiefste ingenieurs zijn ook je vermoeidste. Dat is geen tegenspraak, maar je duidelijkste signaal dat de aanpassing gaande is.
Reageer niet door AI-adoptie terug te schroeven. Doe ook niet alsof de vermoeidheid niet echt is. Reageer zoals een goede coach: beheer de trainingsbelasting. Reken op intensieve, geconcentreerde sessies AI-ondersteund werk met daarna echt herstel. Laat mensen werken op wat aanvoelt als minder uren terwijl ze nieuwe cognitieve vaardigheden opbouwen. De resultaten zullen nog steeds een veelvoud zijn van vroeger.
Bedrijven die dit goed aanpakken, hebben tegen het einde van het jaar aangepaste teams. Wie de vermoeidheid negeert of zich daarom van AI terugtrekt, krijgt het slechtste van beide uitkomsten: uitgeputte ingenieurs die het moeilijkste deel van de curve nooit zijn doorgekomen.
We ervaren niet de bijwerkingen van een nieuwe technologie. We zitten in de eerste trainingsweken voor een nieuwe manier van werken. De spierpijn bewijst dat het werkt. Omarm die, beheer die en vertrouw erop dat je brein, zoals ieder ander aanpassingsgericht systeem in de natuur, doet wat het altijd heeft gedaan.
Het past zich aan.












